σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

تعلّم التطوير الكمّي بالممارسة: دروس قصيرة ومختبرات مُقيَّمة وبيئة تطوير حقيقية داخل متصفحك.

تعلّم
كل خرائط الطريقكل مسارات التعلممسار Pythonمسار C++قريبًامسار OxCamlقريبًامسار Market Structureمسار Calculusمسار Linear Algebraمسار Probabilityمسار Statisticsمسار Matrix Decompositionsمسار Optimizationمسار Time Seriesمسار Stochastic Calculusمسار Bayesian Inferenceمسار Hidden Markov Modelsمسار Particle filtering and non-stationary time seriesمسار scikit-learnمسار statsmodelsمسار SciPyمسار Cache locality
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
المسارات›Cache locality
C

Cache locality المسار

متاحابدأ من هنا

هذه نسخة المحاكي من المهارة: كل مختبر يشغّل ذاكرة مخبئية تبنيها بنفسك ويقيّم أعداد الإصابات والإخفاقات لا زمن الساعة أبدًا، فالإجابات دقيقة وقابلة للتكرار. يعلّم كل درس فكرة واحدة بأمثلة برمجية صغيرة ومخرجاتها ثم يوسّع مختبر مقيَّم المحاكي نفسه. تتعلم أن تتوقع إخفاقات نمط وصول قبل تشغيله وأن تختار تخطيط بيانات لجدول تيكات وأن تثبت بالأرقام أن تغييرًا أزال إخفاقات.

3 وحدات13 مختبرًا مصححًا~12 ساعةمبتدئ → متقدم
ابدأ المسار

المتطلبات المسبقة

يكفي الإلمام بدوال Python وقوائمها وقواميسها؛ لا حاجة إلى C أو C++ لأن الجهاز محاكٍ تكتبه بنفسك.

  • Python

المنهج

13 موضوعًا · افتح أي موضوع بالترتيب الذي تريده
  1. 1هرم الذاكرة وأرقام التأخيرلم يبدأيتطلب Python40 دابدأ
  2. 2أسطر الذاكرة المخبئية والمحلية المكانيةلم يبدأيتطلب Python45 دابدأ
  3. 3الترابطية وإخفاقات التعارضلم يبدأيتطلب Python55 دابدأ
  4. 4المحلية الزمنية ومجموعات العمللم يبدأيتطلب Python45 دابدأ
  1. 5مصفوفة هياكل مقابل هيكل مصفوفاتلم يبدأيتطلب Python55 دابدأ
  2. 6ترتيب العبور وتبليط الحلقاتلم يبدأيتطلب Python55 دابدأ
  1. 7الجلب المسبقلم يبدأيتطلب Python50 دابدأ
  2. 8TLB والصفحات الكبيرةلم يبدأيتطلب Python50 دابدأ
  3. 9المشاركة الزائفة والحشولم يبدأيتطلب Python55 دابدأ
  4. 10تأثيرات NUMAلم يبدأيتطلب Python1 سابدأ
  5. 11المخصصات وأحواض الذاكرةلم يبدأيتطلب Python1 سابدأ
  6. 12التنبؤ بالتفرعاتلم يبدأيتطلب Python55 دابدأ
  7. 13المشروع الختامي: إعادة تخطيط جدول تيكات وإثبات انخفاض الإخفاقاتلم يبدأيتطلب Python1 س 30 دابدأ

الإكمال

انجح في 13 مختبرًا بدرجة 70 فأكثر لإكمال المسار والحصول على شارة محلية الذاكرة المخبئية في ملفك الشخصي.

0 / 130%

المتطلبات المسبقة

يكفي الإلمام بدوال Python وقوائمها وقواميسها؛ لا حاجة إلى C أو C++ لأن الجهاز محاكٍ تكتبه بنفسك.

  • Python

الأدوات التي ستستخدمها

PythonNumPypytest

ما الذي ستتعلمه

  • توقّع الإصابات والإخفاقات لنمط وصول وتقدير كلفتها بأرقام التأخير في جهاز حقيقي
  • بناء ذاكرة مخبئية قابلة للضبط بأسطر ومجموعات وطرق وLRU ورؤية إخفاقات التعارض
  • الاختيار بين مصفوفة هياكل وهيكل مصفوفات لجدول تيكات وتبليط حلقة مصفوفية
  • نمذجة الجالبات المسبقة وTLB والمشاركة الزائفة بين الأنوية وNUMA لفهم سبب بطء برنامج سريع
  • مقارنة المخصصات ومتنبئات التفرعات ثم إثبات تغيير التخطيط بأعداد الإخفاقات على جدول تيكات حقيقي
uantCraft Academy

تعلّم التطوير الكمّي بالممارسة: دروس قصيرة ومختبرات مُقيَّمة وبيئة تطوير حقيقية داخل متصفحك.

تعلّم
كل خرائط الطريقكل مسارات التعلممسار Pythonمسار C++قريبًامسار OxCamlقريبًامسار Market Structureمسار Calculusمسار Linear Algebraمسار Probabilityمسار Statisticsمسار Matrix Decompositionsمسار Optimizationمسار Time Seriesمسار Stochastic Calculusمسار Bayesian Inferenceمسار Hidden Markov Modelsمسار Particle filtering and non-stationary time seriesمسار scikit-learnمسار statsmodelsمسار SciPyمسار Cache locality
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
تسجيل الدخولانضم ↗
تسجيل الدخول